如何在不同Graph中使用另一Graph中的embedding张量？

这个坑我之前踩过！TensorFlow里每个张量都是牢牢绑定在它被创建的Graph上的，直接跨图调用肯定会报那个“tensor must be from the same graph”的错误。下面给你几个实用的解决办法，按需选择：

方法1：将原Graph的结构导入目标Graph #

如果你的embedding张量还依赖graph1里的其他运算（不是单纯的预初始化变量），这个方法最合适——把graph1的图结构整体导入到graph2中，就能拿到属于graph2的对应张量了：

# 假设你已经构建好graph1和其中的embedding张量
with graph1.as_default():
    embedding = tf.get_variable("embedding", shape=[100, 50])
    # 导出graph1的图定义
    graph1_def = graph1.as_graph_def()

# 在graph2中导入graph1的定义并获取embedding
with graph2.as_default():
    # 导入时指定要返回的张量，注意名称要加":0"（TensorFlow中张量的默认输出后缀）
    imported_embedding = tf.import_graph_def(
        graph1_def,
        return_elements=["embedding:0"],
        name=""  # 为空表示不添加前缀，避免名称混乱
    )[0]
    # 现在imported_embedding属于graph2，随便用就行
    print(imported_embedding.graph is graph2)  # 会输出True

方法2：提取张量值后在目标Graph中复用 #

如果只需要embedding的数值，不需要保留原计算图的依赖关系，直接把值取出来再放到graph2里更简单：

import tensorflow as tf

# 构建graph1
graph1 = tf.Graph()
with graph1.as_default():
    embedding = tf.get_variable("embedding", shape=[100, 50], initializer=tf.random_normal_initializer())
    init_op = tf.global_variables_initializer()

# 在graph1的会话中计算出embedding的具体值
with tf.Session(graph=graph1) as sess:
    sess.run(init_op)
    embedding_np = sess.run(embedding)

# 构建graph2并使用这个值
graph2 = tf.Graph()
with graph2.as_default():
    # 方式A：用变量直接初始化，后续可以当作普通变量用
    embedding_in_graph2 = tf.get_variable(
        "embedding_in_graph2",
        shape=[100, 50],
        initializer=tf.constant_initializer(embedding_np)
    )
    # 方式B：用占位符，运行时喂入值（适合需要动态更新的场景）
    embedding_ph = tf.placeholder(tf.float32, shape=[100, 50])
    demo_op = tf.reduce_sum(embedding_ph)

# 在graph2的会话中验证
with tf.Session(graph=graph2) as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(embedding_in_graph2[0][:5]))  # 输出和graph1中embedding的前5个值一致
    print(sess.run(demo_op, feed_dict={embedding_ph: embedding_np}))

额外提示 #

• 用get_variable的时候要注意，两个Graph里的变量名称最好不要重复，避免不必要的冲突；
• 如果你的TensorFlow版本比较新（2.x以上），其实默认是即时执行模式，Graph的概念没那么强，但如果是兼容1.x的代码，上面的方法依然适用。

内容的提问来源于stack exchange，提问作者xiyan